1.一种红外图像与可见光图像的融合方法，其特征在于，所述方法包括：步骤S10，基于W-BEMD分解算法，设置红外图像的残差分量和可见光图像的残差分量，根据红外图像的残差分量对红外图像进行BEMD分解，对红外图像的下一个残差分量进行W变换并对变换所得低频系数进行W逆变换，根据W逆变换结果将红外图像分解成预设数量的第一高频细节子图像和一个第一低频轮廓子图像，根据可见光图像的残差分量对可见光图像进行BEMD分解，对可见光图像的下一个残差分量进行W变换并对变换所得低频系数进行W逆变换，根据W逆变换结果将可见光图像分解成所述预设数量的第二高频细节子图像和一个第二低频轮廓子图像；

步骤S20，基于局部区域方差选择与加权的融合规则，将所述预设数量的所述第一高频细节子图像与所述预设数量的所述第二高频细节子图像进行融合，计算第一高频细节子图像与第二高频细节子图像在各像素点处的局部区域方差及局部区域方差匹配度，并根据所述局部区域方差及所述局部区域方差匹配度得到所述预设数量的第三高频细节子图像；

步骤S21，分别计算所述第一高频细节子图像与所述第二高频细节子图像在各像素点(x，y)处的局部区域方差：其中，WIMFIR，j和WIMFVI，j分别为第j个所述第一高频细节子图像和第j个所述第二高频细节子图像；j＝1，2，...，L，L为所述预设数量；M和N分别为以点(x，y)为中心的局部邻域窗口的长和宽； 和 分别代表图像WIMFIR，j和WIMFVI，j在以(x，y)为中心的M×N邻域内的灰度平均值；ω(m，n)代表预设的第一权值矩阵；

步骤S22，计算所述第一高频细节子图像WIMFIR，j和所述第二高频细节子图像WIMFVI，j在各像素点(x，y)处的局部区域方差匹配度：其中，

为WIMFIR，j和WIMFVI，j在(x，y)处的相关局部区域方差；

步骤S23，若 则根据下式计算所述第三高频细节子图像：

否则，根据下式计算所述第三高频细节子图像：

其中，

β(x，y)＝1-α(x，y)

α(x，y)和β(x，y)均为加权系数，T1为预设的第一匹配度阈值；

步骤S30，基于区域能量选择与加权的融合规则，将所述第一低频轮廓子图像和所述第二低频轮廓子图像进行融合，计算第一低频轮廓子图像与第二低频轮廓子图像在各像素点处的局部区域能量及局部区域能量匹配度，并根据所述局部区域能量及所述局部区域能量匹配度得到第三低频轮廓子图像；

步骤S31，分别计算所述第一低频轮廓子图像与所述第二低频轮廓子图像在各像素点(x，y)处的局部区域能量：其中，WRIR，L和WRVI，L分别为所述第一低频轮廓子图像和所述第二低频轮廓子图像；L为所述预设数量；M和N分别为以点(x，y)为中心的局部邻域窗口的长和宽；ω′(m，n)代表预设的第二权值矩阵；

步骤S32，计算所述第一低频轮廓子图像WRIR，L和所述第二低频轮廓子图像WRVI，L在各像素点(x，y)处的局部区域能量匹配度：其中，

为WRIR，L和WRVI，L在(x，y)处的相关局

部区域能量；

和 分别代表图像WRIR，L和WRVI，L在以(x，y)为中心的M×N邻域内的灰度平均值；

步骤S33，若 则根据下式计算所述第三低频轮廓子图像：

否则，根据下式计算所述第三低频轮廓子图像：

其中，

β′(x，y)＝1-α′(x，y)

α′(x，y)和β′(x，y)均为加权系数，T2为预设的第二匹配度阈值；

步骤S40，将所述预设数量的所述第三高频细节子图像与所述第三低频轮廓子图像进行W-BEMD逆变换，得到融合图像。

2.根据权利要求1所述的红外图像与可见光图像的融合方法，其特征在于，步骤S10中“基于W-BEMD分解算法，将红外图像分解成预设数量的第一高频细节子图像和一个第一低频轮廓子图像，并将可见光图像分解成所述预设数量的第二高频细节子图像和一个第二低频轮廓子图像”的步骤包括：步骤S11，将所述红外图像和所述可见光图像的残差分量分别设置为RIR，j-1＝XIR、RVI，j-1＝XVI；

其中，RIR，j-1和RVI，j-1分别为所述红外图像的第j-1个残差分量和所述可见光图像的残差分量，j-1表示残差分量的序号，且j＝1；为残差分量的序号，XIR和XVI分别为预设的所述红外图像的残差分量的初始值和预设的所述可见光图像的残差分量的初始值；

步骤S12，根据所述红外图像的残差分量RIR，j-1对所述红外图像进行BEMD分解得到所述红外图像的内蕴模函数IMFIR，j和残差分量RIR，j；根据所述可见光图像的残差分量RVI，j-1对所述可见光图像进行BEMD分解得到所述可见光图像的内蕴模函数IMFVI，j和残差分量RVI，j；

步骤S13：分别对所述红外图像的残差分量RIR，j和所述可见光图像的残差分量RVI，j进行W变换，并对变换所得低频系数进行W逆变换，得到残差分量四分之一大小的低频轮廓图像和步骤S14，根据所述红外图像的残差分量RIR，j、低频轮廓图像 计算出残差分量的高频细节图像 将 与内蕴模函数IMFIR，j求和，计算出第j个所述第一高频细节子图像，并更新残差分量RIR，j；根据所述可见光图像的残差分量RVI，j、低频轮廓图像 计算出残差分量的高频细节图像 将 与内蕴模函数IMFVI，j求和，计算出第j个所述第二高频细节子图像，并更新残差分量RVI，j；

步骤S15，j＝j+1；若j≤L，转至步骤S13；否则，将更新后的残差分量RIR，L与RVI，L分别作为所述第一低频轮廓子图像WRIR，L与所述第二低频轮廓子图像WRVI，L；其中，L为所述预设数量。

3.根据权利要求2所述的红外图像与可见光图像的融合方法，其特征在于，步骤S14中“根据所述红外图像的残差分量RIR，j、低频轮廓图像 计算出残差分量的高频细节图像将 与内蕴模函数IMFIR，j求和，计算出第j个所述第一高频细节子图像，并更新残差分量RIR，j；根据所述可见光图像的残差分量RVI，j、低频轮廓图像 计算出残差分量的高频细节图像 将 与内蕴模函数IMFVI，j求和，计算出第j个所述第二高频细节子图像，并更新残差分量RVI，j”的步骤包括：步骤S141，对所述红外图像的低频轮廓图像 进行插值膨胀，得到与RIR，j具有相同大小的图像步骤S142，按照下式计算残差图像RIR，j的高频细节图像：步骤S143，按照下式计算第j个所述第一高频细节子图像：并更新残差图像

步骤S144，对所述可见光图像的低频轮廓图像 进行插值膨胀，得到与RVI，j具有相同大小的图像步骤S145，按照下式计算残差图像RVI，j的高频细节图像：步骤S146，按照下式计算第j个所述第二高频细节子图像：并更新残差图像

4.一种红外图像与可见光图像的融合系统，其特征在于，所述系统包括：待融合图像分解模块，配置为：基于W-BEMD分解算法，设置红外图像的残差分量和可见光图像的残差分量，根据红外图像的残差分量对红外图像进行BEMD分解，对红外图像的下一个残差分量进行W变换并对变换所得低频系数进行W逆变换，根据W逆变换结果将红外图像分解成预设数量的第一高频细节子图像和一个第一低频轮廓子图像，根据可见光图像的残差分量对可见光图像进行BEMD分解，对可见光图像的下一个残差分量进行W变换并对变换所得低频系数进行W逆变换，根据W逆变换结果将可见光图像分解成所述预设数量的第二高频细节子图像和一个第二低频轮廓子图像；

高频细节子图像融合模块，配置为：基于局部区域方差选择与加权的融合规则，将所述预设数量的所述第一高频细节子图像与所述预设数量的所述第二高频细节子图像进行融合，计算第一高频细节子图像与第二高频细节子图像在各像素点处的局部区域方差及局部区域方差匹配度，并根据所述局部区域方差及所述局部区域方差匹配度得到所述预设数量的第三高频细节子图像；

所述高频细节子图像融合模块包括：

局部区域方差计算单元，配置为：分别计算所述第一高频细节子图像与所述第二高频细节子图像在各像素点(x，y)处的局部区域方差：其中，WIMFIR，j和WIMFVI，j分别为第j个所述第一高频细节子图像和第j个所述第二高频细节子图像；j＝1，2，...，L，L为所述预设数量；M和N分别为以点(x，y)为中心的局部邻域窗口的长和宽； 和 分别代表图像WIMFIR，j和WIMFVI，j在以(x，y)为中心的M×N邻域内的灰度平均值；ω(m，n)代表预设的第一权值矩阵；

局部区域方差匹配度计算单元，配置为：计算所述第一高频细节子图像WIMFIR，j和所述第二高频细节子图像WIMFVI，j在各像素点(x，y)处的局部区域方差匹配度：其中，

为WIMFIR，j和WIMFVI，j在(x，y)处的相关局部区域方差；

第三高频细节子图像计算单元，配置为：若 则根据下式计算所述第三高频细节子图像：

否则，根据下式计算所述第三高频细节子图像：

其中，

β(x，y)＝1-α(x，y)

α(x，y)和β(x，y)均为加权系数，T1为预设的第一匹配度阈值；

低频轮廓子图像融合模块，配置为：基于区域能量选择与加权的融合规则，将所述第一低频轮廓子图像和所述第二低频轮廓子图像进行融合，计算第一低频轮廓子图像与第二低频轮廓子图像在各像素点处的局部区域能量及局部区域能量匹配度，并根据所述局部区域能量及所述局部区域能量匹配度得到第三低频轮廓子图像；

所述低频轮廓子图像融合模块包括：

局部区域能量计算单元，配置为：分别计算所述第一低频轮廓子图像与所述第二低频轮廓子图像在各像素点(x，y)处的局部区域能量：其中，WRIR，L和WRVI，L分别为所述第一低频轮廓子图像和所述第二低频轮廓子图像；L为所述预设数量；M和N分别为以点(x，y)为中心的局部邻域窗口的长和宽；ω′(m，n)代表预设的第二权值矩阵；

局部区域能量匹配度计算单元，配置为：计算所述第一低频轮廓子图像WRIR，L和所述第二低频轮廓子图像WRVI，L在各像素点(x，y)处的局部区域能量匹配度：其中，

为WRIR，L和WRVI，L在(x，y)处的相关局

部区域能量；

和 分别代表图像WRIR，L和WRVI，L在以(x，y)为中心的M×N邻域内的灰度平均值；

第三低频轮廓子图像计算单元，配置为：若 则根据下式计算所述第三低频轮廓子图像：

否则，根据下式计算所述第三低频轮廓子图像：

其中，

β′(x，y)＝1-α′(x，y)

α′(x，y)和β′(x，y)均为加权系数，T2为预设的第二匹配度阈值；

融合图像生成模块，配置为：将所述预设数量的所述第三高频细节子图像与所述第三低频轮廓子图像进行W-BEMD逆变换，得到融合图像。

5.根据权利要求4所述的红外图像与可见光图像的融合系统，其特征在于，所述待融合图像分解模块包括：残差分量初始化单元，配置为：将所述红外图像和所述可见光图像的残差分量分别设置为RIR，j-1＝XIR、RVI，j-1＝XVI；

其中，RIR，j-1和RVI，j-1分别为所述红外图像的第j-1个残差分量和所述可见光图像的残差分量，j-1表示残差分量的序号，且j＝1；为残差分量的序号，XIR和XVI分别为预设的所述红外图像的残差分量的初始值和预设的所述可见光图像的残差分量的初始值；

分解单元，配置为：根据所述红外图像的残差分量RIR，j-1对所述红外图像进行BEMD分解得到所述红外图像的内蕴模函数IMFIR，j和残差分量RIR，j；根据所述可见光图像的残差分量RVI，j-1对所述可见光图像进行BEMD分解得到所述可见光图像的内蕴模函数IMFVI，j和残差分量RVI，j；

低频轮廓图像计算单元：配置为：分别对所述红外图像的残差分量RIR，j和所述可见光图像的残差分量RVI，j进行W变换，并对变换所得低频系数进行W逆变换，得到残差分量四分之一大小的低频轮廓图像 和高频细节子图像计算单元，配置为：根据所述红外图像的残差分量RIR，j、低频轮廓图像计算出残差分量的高频细节图像 将 与内蕴模函数IMFIR，j求和，计算出第j个所述第一高频细节子图像，并更新残差分量RIR，j；根据所述可见光图像的残差分量RVI，j、低频轮廓图像 计算出残差分量的高频细节图像 将 与内蕴模函数IMFVI，j求和计算出第j个所述第二高频细节子图像，并更新残差分量RVI，j；

控制单元，配置为：计算j＝j+1；若j≤L，则继续调用所述低频轮廓图像计算单元与所述高频细节子图像计算单元；否则，将更新后的残差分量RIR，L与RVI，L分别作为所述第一低频轮廓子图像WRIR，L与所述第二低频轮廓子图像WRVI，L；其中，L为所述预设数量。

6.根据权利要求5所述的红外图像与可见光图像的融合系统，其特征在于，所述高频细节子图像计算单元包括：第一插值膨胀子单元，配置为：对所述红外图像的低频轮廓图像 进行插值膨胀，得到与RIR，j具有相同大小的图像第一高频细节子图像计算子单元，配置为：按照下式计算残差图像RIR，j的高频细节图像：按照下式计算第j个所述第一高频细节子图像：

并更新残差图像

第二插值膨胀子单元，配置为：对所述可见光图像的低频轮廓图像 进行插值膨胀，得到与RVI，j具有相同大小的图像第二高频细节子图像计算子单元，配置为：按照下式计算残差图像RVI，j的高频细节图像：按照下式计算第j个所述第二高频细节子图像：

并更新残差图像